InternVL2-Llama3-76B calculateur TPS

Ouvrir les poids Shanghai AI Lab 76B paramètres July 2024

Chaque carte ci-dessous est évaluée par rapport à ce modèle à la longueur de contexte et à la qualité minimale que vous choisissez. La vitesse est une estimation pour une demande unique, calculée à partir de la bande passante mémoire de la carte et de la taille du modèle une fois compressé..

Calculé pour ce modèle

58 cartes qui peuvent le faire

818 cartes dont nous détenons les spécifications pour

Carte la plus petite qui convient

Quadro RTX 8000

48 GB · IQ4_XS · 9.2 tok/s

Carte la plus rapide

B200

44.6 tok/s · 180 GB

Quelles GPU peuvent exécuter InternVL2-Llama3-76B?

Définir les entrées, lire la réponse

Longueur de contexte jetons

Une conversation plus longue nécessite plus de mémoire, ce qui peut pousser ce modèle hors des cartes plus petites..

Qualité minimale

Cache des cartes qui ne conviendraient qu'au modèle en le compressant en dessous de ce point..

Recherche de cartes

Mémoire de carte

Montrez aussi les cartes qui ne peuvent pas le faire.

58 cartes correspondent

Calcul en cours

					Besoin	Quantification	Convient
44.6 tok/s 27–71 · faible confiance	B200 NVIDIA	180 GB	8,000 GB/s	Jan 2024	82.1 GB	Q8_0	Confortable
44.6 tok/s 27–71 · faible confiance	B300 NVIDIA	288 GB	8,000 GB/s	Sep 2025	82.1 GB	Q8_0	Confortable
35.6 tok/s 21–57 · faible confiance	Radeon Instinct MI350X AMD	288 GB	8,190 GB/s	Jan 2025	82.1 GB	Q8_0	Confortable
35.6 tok/s 21–57 · faible confiance	Radeon Instinct MI355X AMD	288 GB	8,190 GB/s	Jan 2025	82.1 GB	Q8_0	Confortable
28.5 tok/s 17–46 · faible confiance	Radeon Instinct MI300 AMD	128 GB	6,550 GB/s	Jan 2023	82.1 GB	Q8_0	Confortable
27.3 tok/s 16–44 · faible confiance	H200 NVL NVIDIA	141 GB	4,890 GB/s	Nov 2024	82.1 GB	Q8_0	Confortable
27.3 tok/s 16–44 · faible confiance	H200 SXM 141 GB NVIDIA	141 GB	4,890 GB/s	Nov 2024	82.1 GB	Q8_0	Confortable
27.2 tok/s 16–44 · faible confiance	H100 SXM5 80 GB NVIDIA	80 GB	3,360 GB/s	Oct 2022	64.4 GB	Q6_K	À l'étroit
27.2 tok/s 16–44 · faible confiance	H800 SXM5 NVIDIA	80 GB	3,360 GB/s	Mar 2023	64.4 GB	Q6_K	À l'étroit
26.1 tok/s 16–42 · faible confiance	Radeon Instinct MI325X AMD	256 GB	6,000 GB/s	Oct 2024	82.1 GB	Q8_0	Confortable
25.6 tok/s 15–41 · faible confiance	GRID A100B NVIDIA	48 GB	1,870 GB/s	May 2020	42.3 GB	IQ4_XS	À l'étroit
23.2 tok/s 14–37 · faible confiance	Radeon Instinct MI300A AMD	128 GB	5,325 GB/s	Dec 2023	82.1 GB	Q8_0	Confortable
23.2 tok/s 14–37 · faible confiance	Radeon Instinct MI300X AMD	192 GB	5,325 GB/s	Dec 2023	82.1 GB	Q8_0	Confortable
23.2 tok/s 14–37 · faible confiance	Radeon Instinct MI308X AMD	192 GB	5,325 GB/s	Dec 2023	82.1 GB	Q8_0	Confortable
22.0 tok/s 13–35 · faible confiance	H100 NVL 94 GB NVIDIA	94 GB	3,940 GB/s	Mar 2023	82.1 GB	Q8_0	À l'étroit
20.1 tok/s 12–32 · faible confiance	H100 SXM5 64 GB NVIDIA	64 GB	2,020 GB/s	Mar 2023	55.5 GB	Q5_K_M	À l'étroit
18.7 tok/s 11–30 · faible confiance	H100 PCIe 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	82.1 GB	Q8_0	À l'étroit
18.7 tok/s 11–30 · faible confiance	H100 SXM5 94 GB NVIDIA	94 GB	3,360 GB/s	Mar 2023	82.1 GB	Q8_0	À l'étroit
18.7 tok/s 11–30 · faible confiance	H100 SXM5 96 GB NVIDIA	96 GB	3,360 GB/s	Mar 2023	82.1 GB	Q8_0	À l'étroit
18.3 tok/s 11–29 · faible confiance	RTX PRO 5000 Blackwell NVIDIA	48 GB	1,340 GB/s	Mar 2025	42.3 GB	IQ4_XS	À l'étroit
16.5 tok/s 10–26 · faible confiance	A100 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Nov 2020	64.4 GB	Q6_K	À l'étroit
16.5 tok/s 10–26 · faible confiance	A100X NVIDIA	80 GB	2,040 GB/s	Jun 2021	64.4 GB	Q6_K	À l'étroit
16.5 tok/s 10–26 · faible confiance	A800 SXM4 80 GB NVIDIA	80 GB	2,040 GB/s	Aug 2022	64.4 GB	Q6_K	À l'étroit
16.5 tok/s 10–26 · faible confiance	H100 CNX NVIDIA	80 GB	2,040 GB/s	Mar 2023	64.4 GB	Q6_K	À l'étroit
16.5 tok/s 10–26 · faible confiance	H100 PCIe 80 GB NVIDIA	80 GB	2,040 GB/s	Oct 2022	64.4 GB	Q6_K	À l'étroit

Les vitesses sont des estimations pour une seule demande — une conversation à la fois — calculées à partir de la bande passante de la mémoire, de la taille du modèle et de la quantification. Le débit réel varie avec le temps d'exécution d'inférence et sa version. Les chiffres publiés par les fournisseurs de matériel mesurent de nombreuses demandes simultanées et sont beaucoup plus élevés..

Enregistrement

Spécifications complètes

Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..

Origine

Qui a construit ce modèle, où, et quand il a été publié.

Organisation: Shanghai AI Lab
Type d'organisation: Academia
Pays: China
Publié: 15 July 2024

Ce qu'il fait

Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.

Domaine: Multimodal, Language, Vision, Video
Tâche: Visual question answering, Language modeling/generation, Question answering, Video description
Modèle de base: Hermes 2 Theta Llama-3 70B,InternViT-6B

Taille

Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.

paramètres: 76B
Données d'entraînement: tokens

Disponibilité

Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.

Poids: Open — downloadable
Accès au modèle: Open weights (restricted use)
Code d'entraînement: Open source
Hugging Face: OpenGVLab

Comment il est classé

Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.

Confiance d'enregistrement: Confident

Sources

D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.

Référence: OpenGVLab/InternVL2-Llama3-76B
Dernière mise à jour: 28 November 2025

Les extrêmes

Les dix GPU les plus rapides qui exécutent InternVL2-Llama3-76B

Classé par tokens par seconde estimés, la carte la plus récente en premier lorsque les vitesses se rejoignent. Étant donné que la génération est limitée par la bande passante de la mémoire, cet ordre suit la bande passante plutôt que tout indice de jeu..

Les plus petits GPU qui fonctionnent encore InternVL2-Llama3-76B

Le chemin le moins cher, par capacité de mémoire. Un ajustement serré exécute le modèle mais ne laisse rien de libre pour une conversation plus longue..

Ce que les chiffres signifient

Ce dont vous avez besoin pour l'exécuter

Carte minimale

Quadro RTX 8000

Mémoire requise

42.3 GB

Le plus rapide

44.6 tok/s

InternVL2-Llama3-76B atteint un nombre de paramètres de 76B. Cela le place au-dessus du matériel grand public, dans la gamme où une carte est achetée à cette fin plutôt que réutilisée pour cela. Le nombre de cartes que nous suivons qui peuvent le supporter : 58.

Le matériel minimum qui fonctionne est Quadro RTX 8000, avec une capacité de mémoire de 48 GB, le faisant fonctionner à une compression de IQ4_XS et produisant environ 9.2 tokens par seconde

Le résultat le plus rapide vient de B200, générant à peu près 44.6 tokens par seconde sur la base d'une bande passante de mémoire de 8,000 GB/s.

Ce que ce modèle est

InternVL2-Llama3-76B a été publié par Shanghai AI Lab, dans le pays enregistré comme China, durant July 2024. Cela provient d'une organisation classée comme academia.

Il fonctionne dans le domaine de Multimodal, Language, Vision, Video, et est enregistré comme exécutant la tâche de visual question answering, Language modeling/generation, Question answering, Video description.

Plutôt que d'être entraîné depuis le début, il est dérivé de Hermes 2 Theta Llama-3 70B,InternViT-6B. C'est pourquoi il partage la forme et la taille générales du modèle de base.

Les poids sont publiés, donc il peut être téléchargé et exécuté sur votre propre matériel indéfiniment, hors ligne, sans compte associé. Sur Hugging Face, il est publié sous l'organisation OpenGVLab.

Qu'est-ce qui détermine la vitesse

Le résultat médian est d'environ 14.3 tokens par seconde. Dépassement direct de la vitesse de lecture. 43 d'eux

Étant dense, il lit tout de lui-même par jeton, c'est pourquoi le classement par vitesse ci-dessous suit de si près le classement par bande passante mémoire.

Son architecture interne n'est pas dans notre base de données, donc la mémoire est approximée à partir du nombre de paramètres et marquée en conséquence. Attendez-vous à ce que la véritable valeur diffère, surtout pour un long CONTEXT LENGTH.

Étape par étape

Comment choisir un GPU pour InternVL2-Llama3-76B

Le tableau ci-dessus a déjà évalué chaque carte pour laquelle nous avons des spécifications par rapport à ce modèle. Obtenir votre réponse prend six étapes..

01

Commencez par la colonne mémoire

La table répertorie chaque carte capable de supporter InternVL2-Llama3-76B, ayant besoin d'environ 42.3 GB à une compression de IQ4_XS. Cette figure, pas la performance principale d'une carte, est ce qui décide si elle fonctionne.
02

Décidez combien de temps vos conversations tournent

La conversation occupe aussi de la mémoire et grandit au fur et à mesure. Réglez le curseur sur la longueur que vous attendez, car avec un long CONTEXTE, une CARTE qui gère facilement les courtes questions peut être abandonnée par. InternVL2-Llama3-76B.
03

Choisissez jusqu'où vous allez le compresser

Chaque carte exécute la copie la moins compressée qu'elle peut contenir., atteignant une compression de IQ4_XS sur la plus petite carte qui convient. Fixer une qualité minimale élimine les cartes qui ne parviennent à l'atteindre qu'en exerçant une pression plus forte que vous ne le souhaiteriez, et maintient la comparaison à un niveau.
04

Comparez les tokens par seconde, pas les spécifications.

Trier par vitesse pour voir comment les cartes se classent pour InternVL2-Llama3-76B. Il ne s'alignera pas sur une commande de jeu, car la génération est limitée par la bande passante de la mémoire. La carte en tête de liste est B200, à 44.6 tok/s
05

Regardez la marge de manœuvre, pas seulement le fit.

Un ajustement serré fonctionne, mais ne laisse rien de libre pour une conversation plus longue, dans le cas de InternVL2-Llama3-76B. Confortable signifie que vous pouvez augmenter le contexte plus tard. Cette différence compte plus que quelques tokens par seconde, donc achetez pour confortable si vous vous attendez à cela.
06

Voir ce que cette carte exécute d'autre.

Chaque nom de carte renvoie à sa propre page, qui effectue le même calcul dans l'ensemble du catalogue de modèles. Une carte est généralement achetée pour plus d'un modèle, il est donc utile de jeter un œil avant d'acheter pour InternVL2-Llama3-76B.

Réponses

InternVL2-Llama3-76B — questions courantes

InternVL2-Llama3-76B— deux GPUs l'exécuteraient-ils plus rapidement ?

Une seconde carte double à peu près la mémoire disponible mais pas le taux de génération. Le nombre déjà capable de le faire seul : 58. Ainsi, une seconde carte est rarement la réponse ici.

InternVL2-Llama3-76B— pourquoi la quantification diffère-t-elle entre les cartes ?

Chaque carte est montrée en exécutant la copie la moins compressée qu'elle peut contenir. Le nombre de niveaux de compression distincts parmi les cartes qui la supportent : 4. Les cartes plus grandes obtiennent la version plus précise, et le seuil de qualité au-dessus fixe la comparaison à un niveau.

InternVL2-Llama3-76B— quelle est la précision de ces estimations de vitesse ?

Chaque chiffre est dérivé de la bande passante de la mémoire et de la taille du modèle, non vérifié par des tests, c'est pourquoi chacun est publié sous forme d'une plage plutôt que d'un nombre unique. Un exemple : 27–71 tok/s sur B200. Le même modèle et carte varient de trente à cinquante pour cent en fonction du logiciel d'inférence et de sa version.

InternVL2-Llama3-76B— Quelle GPU ai-je besoin pour l'exécuter ?

La plus petite CARTE de notre catalogue qui le supporte est Quadro RTX 8000, avec une capacité de mémoire de 48 GB. Il exécute le modèle à une compression de IQ4_XS environ 42.3 GB, et produit environ 9.2 tous les GPU capables de l'exécuter en total 58.

InternVL2-Llama3-76B— à quelle vitesse est-il sur un GPU ?

Cela dépend de la carte. Le plus rapide que nous calculons est B200, à propos de 44.6 tokens par seconde; le plus lent qui fonctionne encore gère considérablement moins. La vitesse de lecture est d'environ dix tokens par seconde, et le nombre de cartes qui réussissent cela : 43.

InternVL2-Llama3-76B— combien de VRAM cela nécessite-t-il ?

Cela nécessite environ 42.3 GB à une compression de IQ4_XS, laquelle est la plus petite carte qui l'exécute. Moins de compression nécessite plus : les chiffres dans la colonne mémoire ci-dessus sont recalculés pour chaque carte, car chacune détient la version la moins compressée qu'elle peut.

InternVL2-Llama3-76B— est-ce que c'est open source ?

Ses poids sont publiés, donc il peut être téléchargé et exécuté sur votre propre matériel. Notez que les poids ouverts ne sont pas la même chose que l'open source au sens plein — cela ne dit rien sur les données d'entraînement, le code d'entraînement ou les conditions commerciales attachées.

InternVL2-Llama3-76B— combien de paramètres cela a-t-il ?

Il a un nombre de paramètres de 76B. Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.

InternVL2-Llama3-76B— qui l'a créé ?

Il a été publié par Shanghai AI Lab, basé sur China, une organisation catégorisée comme academia.

InternVL2-Llama3-76B— quand a-t-il été publié ?

Il a été publié dans July 2024. La capacité par paramètre s'est considérablement améliorée depuis, donc un modèle plus récent de la même taille est souvent le meilleur usage du même matériel.

InternVL2-Llama3-76B— à quoi ça sert ?

Il fonctionne dans le domaine de Multimodal, Language, Vision, Video, et est enregistré comme gérant la tâche de visual question answering, Language modeling/generation, Question answering, Video description. Ce sont les domaines autour desquels il a été conçu ; ils décrivent l'intention plutôt qu'une limite stricte.

InternVL2-Llama3-76B— où puis-je le télécharger ?

Ses poids sont publiés sur Hugging Face, sous l'organisation OpenGVLab. Nous n'hébergeons pas de fichiers de modèle — ce site calcule le matériel nécessaire pour les faire fonctionner.

InternVL2-Llama3-76B— Puis-je l'exécuter s'il ne tient pas dans ma GPU?

Partiellement. Les couches qui ne tiennent pas sont dans la mémoire système et fonctionnent à une fraction de la vitesse, donc un modèle principalement déchargé vaut rarement la peine d'être utilisé. La plus proche approximation que nous calculons est inférieure de 10.7 Go. Chaque chiffre ici suppose que l'ensemble du modèle est résident sur la carte.

Source

Publication originale

Dernière mise à jour enregistrée 28 November 2025

L'autre direction

Regardez-le de l'autre côté ?

Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.

Tous les modèles AI